AllWorkin / Articles / 2026.08.27

手把手教你用扣子(Coze)Agent平台 + RAG打造你的企业专属智能客服

注意⚠️:本案例包含了海量的图片,请注意流量的使用情况,建议在Wi-Fi环境下阅读。

2026.08.27约 6 分钟#Agent#Prompt#快讯

注意⚠️:本案例包含了海量的图片,请注意流量的使用情况,建议在Wi-Fi环境下阅读。

【太长不看版】

本项目包含了从:客户意图识别 >> 提问优化 >> 知识库检索(图片+文字) >> AI总结回复 >> 代码规范化输出 >>问答写入飞书多维表格 的全链路流程,适用于中小企业构建自己的智能客服使用。

一、关键词

  • 知识库是一个系统化的信息存储库,包含各种知识、规则和数据,旨在支持智能体的决策和推理过程。它可以是结构化的(如数据库)或非结构化的(如文档和文本)。

  • 智能体是能够自主感知环境、进行推理和决策,并采取行动以实现特定目标的系统。智能体通常依赖于知识库来获取必要的信息和理解复杂的场景。

  • RAG(Retrieval-Augmented Generation)是一种结合了信息检索和自然语言生成的技术,旨在提高生成模型的性能和准确性。

具体来说,RAG 的工作方式如下:

  1. 结构

RAG 模型通常由两个主要组件组成:

  • 检索器(Retriever):负责从一个外部知识库或数据库中检索相关文档或信息。这些信息可以是结构化的数据、文本文件或其他形式的知识。

  • 生成器(Generator):基于检索到的信息生成自然语言响应或文本。这一部分通常使用类似于 GPT 或 BERT 的语言模型。

  1. 工作流程
  • 输入处理:用户输入一个查询或问题。

  • 检索阶段:检索器根据输入查询从知识库中找出相关的信息。

  • 生成阶段:生成器使用这些检索到的信息来生成最终的回答。生成的文本通常会更具上下文相关性和准确性,因为它是基于最新的、相关的知识构建的。

  1. 优势
  • 知识丰富性:通过检索外部信息,RAG 模型能够访问更广泛的知识,不仅限于训练数据。

  • 提高准确性:生成的答案通常更符合实际情况,因为它们基于实时信息。

  • 灵活性:可以适应不同领域和主题的查询,增强了模型的应用范围。

RAG 模型广泛应用于聊天机器人、智能助理、问答系统和其他需要实时信息的自然语言处理任务。底层原理如图:

截屏2025-03-20 下午3.13.00-2454818-2454819

二、实战案例

0、工作流概览

image

1、创建智能体

image

2、选择对话流模式添加对话流

image

3、创建对话流

image

4、编辑对话流

4.1、添加并配置意图识别模块(用于剔除打招呼等无效对话)

意图识别模块右侧的两个连接点,从上至下第一个返回1,代表匹配设置的意图,我们这里的意图设置的是打招呼等无效对话。第二个返回0,代表不匹配意图。

image

4.2、添加大模型节点作为“问题优化模块”(优化客户问题)

image

这个节点主要用于完善整理客户问题。

这个节点需要与意图识别节点右侧两个点的第二个点返回值为0,进行连接,代表非打招呼等无效对话的正常客户咨询,继续进行下一步。这里的节点名称可以重命名一下为“问题优化”便于记忆,然后选择输入变量为开始节点的**USER_INPUT**,填写系统和用户提示词。

系统提示词
# 角色
你是一个用户问题理解专家,你的任务是结合对话上下文和用户的问题,充分理解每次用户的问题,并对用户的问题进行准确地表达。

# 工作流程
## 步骤一:结合上下文信息理解用户问题
- 你必须结合上下文信息和用户当前的提问,准确地理解用户在问什么问题。比如用户先问了一句“介绍下你们的数据分析课程?”,然后再问“不理解”,此时你结合上下文去理解用户的第二个问题,就能明白用户是在问“请简洁明了地介绍你们的课程”。
## 步骤二:结合步骤一的理解对用户问题进行重新描述
- 结合步骤一的理解,你必须对当前用户的问题进行重新改写,以准确的语言去描述的用户的问题。

用户提示词

用户问题:{{input}}

4.3、添加知识库检索模块(文本)

image

4.4、创建知识库

4.4.1、本地上传

image

上传本地知识库文件

image

选中索引点击下一步

image

image

等待处理完成后点击确认

image

这时就已经完成知识库的创建

image

4.4.2、【可选】在线抓取

image

这里本质上是一个爬虫,选择自动采集,根据需求选择更新频率。

image

image

image

image

4.4.3、图片知识库

image

image

上传完成后点击人工标注

image

上传成功后对图片进行标注关键词,这一步必须要做。至少需要标注“商品种类、商品名”两个关键词,不然可能会无法识别。其他关键词按需添加。

image

image

4.5、完成知识库检索模块的配置

回到对话流页面继续完成配置,创建两个知识库检索节点,一个挂上销售知识库,一个挂上产品图片知识库。

4.5.1、知识库检索文本

image

4.5.2、知识库检索图片

image

4.6、添加3个大模型节点分别作为“最终回复模块”、“图片整理模块”,以及匹配上打招呼等无效对话意图的“AI回复模块”

4.6.1、最终回复模块

输入添加两个变量值,一个是问题优化节点的**output,另一个是知识库检索节点的outputList**,然后填写下方的系统提示词和用户提示词。

image

系统提示词
# 角色
你是 AI智能客服,专注于“AI工具实战派”的销售客服,旨在解答用户关于“AI工具实战派”产品的所有相关问题。你掌握了丰富的介绍内容和问答知识,任务是根据这些知识为用户的问题提供准确的回复。
# 工作流程
## 步骤一:问题理解与回复分析
认真理解用户的问题,判断相关内容是否能解答用户的疑问。
如果用户的问题不够明确或信息不足,主动追问,确保理解其需求。
## 步骤二:回答用户问题
如果问题与“AI工具实战派”无关,礼貌拒绝回答。
若知识库中没有相关内容,告知用户“对不起,我无法提供相关答案。”
如果找到相关信息,提炼并优化总结内容,确保答案精确简洁。
# 限制
禁止回答的问题
## 个人隐私:包括真实姓名、电话号码、地址等敏感信息。
违法内容:涉及政治、色情、暴力等违规内容。
复杂问题:需要深度分析或定制化解决方案的问题。
未来预测:未公开产品功能或公司策略的信息。
## 禁止使用的词语和句子
不得使用“根据引用的内容”或类似表述。
不要称呼用户为“您”,直接称为“你”。
不要提供代码片段(json、yaml、代码片段)。
禁止在回答中插入图片。
## 风格与语言
确保回答准确、简洁、易懂,使用专业语气。
使用与用户输入相同的语言。
## 回答长度
答案应简洁明了,不超过 200 字。
## 未知内容
如果问题超出知识范围,使用“对不起,我无法提供相关答案。如果你有其他产品问题,我乐意帮助。”

用户提示词

用户输入内容:{{USER_INPUT}}
知识库检索结果:{{input}}
4.6.2、图片整理模块

image

图片整理模块需要添加两个变量值一个是知识检索图片节点的**outputList,一个是问题优化节点的output**,并且填写如下提示词:

系统提示词
# 任务
你必须整理图片格式并返回

# 最终输出的图片格式为:


...

# 无上下文内容、无有效图片链接时:
输出空格,不要有任何文字。

用户提示词

知识库检索结果:{{input}}
4.6.3、AI回复模块

这里我们用意图识别模块右侧最上方的点连接到AI回复节点上,代表着匹配上了打招呼等无效对话意图的聊天通过这个节点进行回复。输入的变量值使用开始节点的**USER_INPUT****。**然后输入和最终回复模块相同的系统提示词和用户提示词。

image

4.7、将用户问答记录在飞书多维表格

添加插件节点,搜索:飞书多维表格

image

4.7.1、添加add_records插件

image

4.7.2、添加代码节点,规范表格输出

image

之所以添加这个代码节点,是因为我们需要把前面的输出格式是json,无法直接写入到表格中,我们需要转换格式,转换为表格的行列格式,再规范的写入进表格中。

如图所示添加输入变量值,这里演示只添加了三个输入变量值,分别为客户提问的开始节点**USER_INPUT、最终回复模节点的output、匹配到意图识别的AI回复节点的output**,如果你没有代码基础变量名按照下图填写,不要变动,如有变动需要同步修改代码。

输出变量名我们定义为**record_info,变量类型选择Array的object**。

image

选择在IDE中编辑,粘贴下方代码,语言选择为python

image

代码:

# 在这里,您可以通过 ‘args’  获取节点中的输入变量,并通过 'ret' 输出结果
# 'args' 和 'ret' 已经被正确地注入到环境中
# 下面是一个示例,首先获取节点的全部输入参数params,其次获取其中参数名为‘input’的值:
# params = args.params; 
# input = params.input;
# 下面是一个示例,输出一个包含多种数据类型的 'ret' 对象:
# ret: Output =  { "name": ‘小明’, "hobbies": [“看书”, “旅游”] };

import json

async def main(args: Args) -> Output:
    params = args['params']
    question =  params['question']
    answer =  params['answer']
    ai_answer =  params['ai_answer']
    ret = {
         "record_info": [{
            "fields": {
                "用户问题": question, "AI知识库回答": answer,  "AI大模型回答": ai_answer
            }
         }
         ]
    }
    return ret
4.7.3、编辑add_records插件节点

授权>>获取应用>>授权安装

image

image

image

安装完成后再次在插件节点点击授权按钮,完成授权。

image

image

app_token用飞书多维表格的分享链接,不用分享链接测试时无法弹出授权链接。

image

第一次测试写入多维表格时需要授权

image

飞书多维表格需要创建好,字段类型必须全部为文本,字段顺序与我们设置的相同,并且将默认创建生成的空白行全部删除,如果不删除新增写入的记录会从最后一个空白行下方写入。

image

4.8、配置结束节点完成初版对话流

输出变量需要添加三部分,分别为最终回复节点的**output、图片整理节点的output、AI回复节点的output****。**

回答内容填写:

{{output1}}
{{output2}}
{{output3}}

image

4.9、基本完成开始测试

image

image

测试问答正常,飞书多维表格里也写入了用户问答记录。

4.10、发布对话流

点击右上角发布,输入版本号和版本描述完成发布。

image

5、完成智能体配置

在智能体页面确认对话流已配置挂载,输入开场白文案、开场白预置问题,然后测试,测试完成后点击右上角发布。

image

发布可以选择发布平台也开选择API接入自己的业务系统,这里就不做介绍了。

image

三、总结

至此我们就完成了通过扣子(Coze)Agent平台 + RAG打造你的企业专属智能客服实战案例,你可以根据这个架构,按照自己企业的实际需求修改其中节点、变量、提示词等等,以满足自己业务使用。

更多关于AI工具、Cursor、MCP相关的教程和资讯请持续关注后续分享!

本文完整版详见公众号:未来的回响

文章精校版参见知识星球:AI工具实战派

AI工具实战派

觉得有用?每周的新笔记先发公众号。

每周的实战笔记先发在这里。扫码关注,新文章第一时间推给你。

关注 / 加入社群 →